萌芽期：（1991年-2004年）：1994年美国麻省理工学院Kevin教授提出物联网概念，1995年，比尔盖茨在《未来之路》中构想物物互联，并未引起广泛关注。1999年，麻省理工学院首先提出物联网的定义。2003年，美国《技术评论》将传感网络技术列为未来生活的十大技术之首。
初步发展期：（2005年-2008年）：2005年，国际电信联盟（ITU）发布《ITU互联网报告2005：物联网》，2008年第一届国际物联网大会在瑞士苏黎世举行。
高速发展期（2009年-至今）：2009年美国政府将新能源和物联网确定为美国国家战略。2009年温家宝总理在无锡视察时提出“感知中国”，无锡率先建立“感知中国”研究中心，中科院、运营商和多所大学建立物联网研究院。中国正式开始物联网行业战略部署。2010年中国政府将物联网列为关键技术，并宣布物联网是长期发展计划的一部分。2015年，欧盟成立物联网创新联盟。2016年，NB-IoT技术即将进入规模商用阶段。2018年6月，5G通信技术成熟化，第一阶段全功能标准化工作完成，进入产业全面冲刺阶段。
总结中国物联网产业发展，大致经历：
第一阶段：智能消费产品的涌现
2012-2015年期间，消费类物联网产品一夜爆发，过后却慢慢消退。包括智能灯泡、智能插座、智能水壶、智能电饭煲等等智能产品出现在市场上。大致思路是将传统硬件产品，添加上Wi-Fi、蓝牙、ZiBbee等无线技术，再结合APP进行控制。这股热潮来的快、去的也快，因为害怕的稳定性和用户体验存在问题，再加上价格比较高，对于消费者而言性价比不高，市场认可度比较低。
第二阶段：底层技术完善
第二阶段相对于上个阶段，技术有更深层次的突破。这个时候涌现了各种各样的针对物联网的技术，比如NB-IoT、LoRa等新型的传输技术、AI算法、智能语音技术等等，边缘计算、智能计算等计算存储技术走上台，传感器产品也更加的智能化，具有更多的功能。
第三阶段：行业级应用兴起
完成技术突破之后，物联网的应用逐渐从早期的消费类应用往企业级应用发展。更多的应用于城市建设、政府政务、各行各业产业当中。
物联网IoT产业架构分四层：感知层、网络层、平台层、应用层；物联网IoT产业链：端——管——边——云——用
随着云端数据处理能力开始下沉，更加贴近数据源头，使得边缘计算成为物联网产业的重要关口；将来将有75%的数据需要在网络的边缘侧分析、处理和存储。因而物联网产业链由之前的“端——管——云——用”发展为现在的“端——管——边——云——用”；
“端”：物联网终端，主要是完成数据采集以及向网络端发送的作用；包含芯片、感知技术（传感器+识别技术）、 *** 作系统；
“管”：管道层，保证通信的作用，无线连接、卫星和量子通信等方式；
“边”：边缘计算，将集中式架构分解成边缘位置的点；
“云”：云平台，主要进行数据的计算和存储；包含云计算平台和AI技术；按厂商类型分：运营商、ICT、互联网和工业制造厂商以及第三方物联网平台；按商业模式分PaaS和本地部署；按照平台功能可以划分：设备管理平台、连接管理平台、应用开发平台和业务分析平台；
“用”：物联网IoT应用层，落地到不同行业应用场景中；三大业务主线：消费性物联网、政策驱动物联网和生产性物联网；（政策驱动物联网和生产性物联网并称产业物联网）
从产业集聚发展情况来看，我国已初步形成以北京—天津、上海—无锡、深圳—广州、重庆—成都为核心的 环渤海、长三角、珠三角、中西部 地区四大物联网产业集聚区的空间布局。
其中， 环渤海地区 凭借丰富的产学研资源和总部优势，成为我国物联网产业重要的研发、设计和生产制造基地； 长三角地区 以上海、无锡双核发展为带动，整体发展比较均衡，在技术研发与产业化、应用推广方面发挥了引领示范作用； 珠三角地区 是国内物联网市场化最成熟、体系最完备的地区，目前已形成了一批自主的、竞争力强的物联网应用技术成果和信息增值服务模式，产业规模领先其他地区； 中西部地区 软件、信息服务、传感器等领域发展迅猛，成为第四大产业基地，且在自然资源和人力资源方面均存在优势，对物联网产业链底端感知层具有一定的促进作用。
产业集聚区的形成有利于产业规模效应凸显，形成产业链；有助于改善协作条件，节约生产成本；而且能更好的发挥核心城市的辐射带动作用，促进区域一体化发展。目前，四大产业集聚区相互独立、各有特色，汇聚了一批具有全国影响力的龙头企业，产业链逐渐完善，研发机构和公共服务等配套体系基本完备。
随着人工智能的飞速发展以及广泛落地应用，越来越多的设备将会被植入智能问答技术，人机交互场景随处可见，智能问答在未来将会成为一个非常重要的入口。
腾讯小知凭借着业界领先的智能AI引擎算法和海量大数据仓库，已将智能问答技术落地实施，并且经过大量的业务考验和优化，知识点匹配度和准确率都已达到90%以上，在2018 年 GITC 全球互联网技术大会上，腾讯小知荣获年度互联网最具价值产品奖。
腾讯小知算法负责人陈松坚也在会场发表了关于智能问答技术原理及其在To B场景下的应用的专题演讲，从自己的角度为我们展现智能问答技术的最新成果。
他首先从智能问答是什么，为什么和怎么做的三个问题出发，阐明了他对当前智能问答技术的定位和价值，首先，现阶段的智能问答是信息检索技术的升级，是量变而未达到质变。但是无论在To B还是To C的场景下，当前的技术都能够切实解决一些用户的痛点，提升用户体验，是亟待推进和充满想象的方向。
在回答怎么做这个问题时，他详细介绍了几种不同的问答机器人的实现路径，包括单轮问答机器人，多轮问答机器人及阅读理解机器人。其中重点阐述了单轮问答机器人的实现原理，包括字面匹配，词向量匹配，深度语义匹配，迁移学习等技术。
此后他还分享了小知团队将上述技术产品化的经验，包括智能客服机器人和电话机器人两大块，主要分享了当前产品的形态，亮点和实际项目中取得的一些成果。
最后，他简单总结了小知目前完成的工作以及就智能问答的发展提出了自己的几点看法。
--------------------------------------------------------------
以下是演讲稿全文：
各位下午好，很高兴今天能在这里给大家做分享报告。先介绍一下，我们腾讯小知是致力于为政府和各行业提供一揽子智能问答解决方案的团队，目前已经落地的包括基于文本的智能客服机器人和基于语音的电话机器人等。
在大多数人的认知里，智能问答很可能是以上的3个印象，2011年打败了人类取得问答竞赛冠军的waston;2017年被沙特授予公民身份的机器人sofia;更为大家熟知的钢铁侠中的机器人管家jarvis。在大家心目中，智能就意味着能够像真人一样交流。然而作为从业者，很遗憾地告诉大家，目前的技术还远没有达到这个目标，我认为本质上目前的智能问答技术是对信息检索技术的一次升级，是量变而未到质变。这个皇冠上的明珠还等待我们去摘取。
既然问答技术还不成熟，那为什么还要投身到这个领域呢。我想从To B和To C两个角度去回答。对企业来讲，当前的问答技术虽然无法解答复杂的咨询，但是大部分的简单的头部问题是可以比较好的解答的。从本轮AI大潮NLP赛道的几名种子选手都从智能客服这个方向切入就可以看出企业是确实存在对智能问答的刚性需求。而对普通用户来讲，一方面siri等语音助手每天都在为用户提供便捷的交互界面，另一方面像amazon echo这一类的智能家居产品也逐步进入千家万户，成为物联网生态的中心入口之一，这便是智能问答的价值所在。
那如何实现智能问答机器人呢我们先来看最基本的单轮问答机器人的实现原理。
熟悉搜索引擎的朋友会发现这个架构跟搜索引擎的很类似。单轮问答一般来说就是FAQ问答，是基于业务问答对组成的问答库进行检索匹配。其中FAQ问题集包含多个相似问法供用户问题去匹配。预处理阶段一般会进行文本纠错，标准化和底层NLP特征提取;召回阶段会在倒排索引中召回若干个候选问题(粗排)，而最后的匹配阶段会基于各种模型进行匹配打分并返回得分最高的结果(精排)。匹配阶段还会引入其他模块，如知识图谱和拒识模型，目的是辅助提升匹配的最终准确率。
retrieval中的匹配可以看做是naive solution，词袋+VSM, 筛选候选够用了，但是精排需要更精致的策略，第一，要利用监督信息做拟合，我们构建基于问题对的训练语料，拟合是否匹配这个二分类目标。第二，特征上抛弃稀疏的词袋模型，而是构造各种相似度来做base scorer，然后利用非线性的抗噪能力强的xgboost来做融合，比如我们用到词bigram, 字bigram, 核心词，名词等特征集合的相似度。这种方法的优缺点是一体的，由于模型只学习字面相似的特征，因此不受领域影响，通用性强，适合用在冷启动阶段;但也因为只考虑字面相似，无法处理更深层的语义匹配。
那如何度量语义的相似呢。词向量技术的兴起是语义匹配的前提，所谓词向量，是将孤立的传统的token表示映射到相互关联的向量空间中，这种关联性，或者说是相似性，是通过词语的上下文的来描述的。也就是说，上下文越相似的词语，他们的语义就越相似，词向量的欧式距离就越近。这是很容易理解的，更妙的是，通过对向量进行简单加减运算，能够呈现出概念的关系，比如king-man+woman的结果非常接近于queen, 因此说明词向量能够一定程度刻画语义。那对句子如何做向量表示呢一个简单的想法是直接求和平均，WMD是另一个比较有意思且有效的做法，他将计算句子到句子的相似度建模成一个运输的问题，把句子p的各个词，运输到q的各个词上，也可以说是变换;运输成本是词向量的cosine相似度，而要运输的是各个词在句子中的权重，用线性规划求解一个最优解，即为p到q的距离。另外还有个有效的方法是SIF，思路是做词向量加权求和，但是突显出句子中非通用的部分，即权重用词频倒数来计算权重，实验效果也很不错。
上面的方法有一个问题就是没有利用有监督信息，所以效果有明显的天花板。下面介绍这个工作是基于深层网络做有监督学习的匹配的，做法也比较简单，首先把句子文本用one-hot编码，假如词典大小是500K，那编码完长度就是500K维，其实等于是词袋模型，然后输入到一个多层的神经网络去学习，最终得到一个128维的向量作为句子的语义表示，然后用cosine计算两个句子与文档的相似度作为模型输出。这个方法其实是将高维稀疏的token特征映射到低维语义空间，跟词向量的思路很类似，只不过训练目标不同，并且这里使用了深层网络结构。
但是CNN对上下文的处理能力依赖于窗口大小，远距离就没办法处理了，因此要考虑另一种网络单元RNN，这种单元是专门为时序模型量身打造的，简单来说，每一时刻t上的隐藏状态，或者说第t个词上的语义编码，都由两个输入共同决定，即上一时刻的隐藏状态和当前时刻的原始输入，而为了解决远距离传递导致的梯度消失和梯度爆炸等问题，RNN有一些变种结构来应对，比如 LSTM和GRU等。
CNN和RNN都是对原始输入进行语义编码的基本单元，编码后的向量就可以接入多层感知机进行相似度计算，如果是直接计算cosine相似度，那就是dssm的升级版，而更常见的做法是把两个句子的编码向量拼接在一起，再经过一个多层感知机计算相似度，而这种方法统称为表达式建模;
另一种方案考虑到两个句子之间的交互信息对学习他们是否匹配显然更为重要，这一类方案被称为交互式建模，右边是一个典型的例子，他最大的不同是首先对两个句子的所有窗口组合进行拼接和卷积，得到交互信息。然后再进行多次卷积和池化得到表示。其他的交互方式还包括编码之后，进行交互 *** 作，如作差，点乘等，还有计算attention表示，也是常见的交互方式。
下面介绍我们的方案，跟上面介绍的模型相比，我们的方案主要做了两处改动，一个是使用了稠密连接的网络结构，让rnn层的输入和输出拼接在一起做为下一层的输入，第二个是混合注意力机制，即在计算attention向量进行交互式建模的基础上，增加self-attention向量计算，然后把两个attention向量经过门机制进行融合，这样做一方面引入了问句间的交互信息，同时又增强了对自身的表达建模。
上面的模型是比较复杂的模型，参数量有58M。在实际中应用中训练语料会严重不足，为了解决这个问题，我们引入了迁移学习的策略。首先第一种是多任务联合学习，比如在拟合两个问句是否匹配的同时，也对问句进行分类预测;另外还可以同时对匹配的问题对做seq2seq的翻译模型训练。这两个策略都证明能有效提升准确率。
而另一个思路更加直观，即引入其他领域的语料，所谓多语料迁移。Fine-tune即参数微调是其中一种做法，即先用通用语料训练网络，固定底层表达层的参数，然后再使用领域语料调整上层参数;另一种思路参考了对抗学习的思想，即引入一个新的任务“混淆分类器”去判别当前样本是来自源语料还是目标语料，通过在损失函数中增加反向的混淆分类损失项，让混淆分类器尽可能地无法区分样本的来源，从而保证共享了参数的表达网络能够学习到两部分语料中共性的部分。
以上的介绍都是为了完成一个基本的单轮对话机器人，而实际应用中，往往存在需要需要交互的场景，比如查询社保余额，就需要用户提供指定信息，如姓名，身份z号，手机号等。这种是所谓任务导向型机器人，而另一种，基于知识图谱的机器人也往往会涉及到多轮交互。这里简单介绍一下多轮对话机器人的架构，整体上是一个对话管理系统，总的来说是管理会话状态，包含4个模块，分别是输入部分：自然语言理解模块NLU，负责意图识别和抽取槽位实体，比如这里匹配到了意图是查询社保余额，抽取到了社保号1234。得到的意图和槽位值会送入到对话状态追踪模块，DST，他负责会话状态的更新，形式化来说是一个函数，输入是当前状态s和当前的query经过NLU处理过得到的意图和槽位值q, 输出新的状态s‘，下一步是把s’送入DPL，对话策略模块，这个模块是根据新的状态s‘输出行动a，通常这个决策选择会依赖于一个外部数据库或知识图谱，最后，由输出部分，自然语言生成模块NLG负责将行动转换为自然语言文本，返回给用户。
前面提到的单轮FAQ机器人，有一个问题是问答准确率依赖于问答库的质量，而问答库的构建耗时费力，所以针对数据较大的非结构化文档，如果可以直接从中抽取答案，是非常理想的做法。比如斯坦佛大学开源的drQA，就是基于wikipedia的语料做的一个开放域上的问答机器人，我们来看看这种阅读理解机器人的架构示意，他也是基于检索重排的思路，首先把可能的文段从语料库中摘取出来，然后送入阅读理解模型进行答案定位，打分，排序和选择得分最高的答案。阅读理解模型与匹配模型是类似的，需要先对问题和候选文段进行编码表示，不同之处在于最终预测的目标是答案的起始和结束位置。我所在的团队在去年，在阅读理解的权威公开测评Squad v1中取得过第一的成绩，同时参加这个测评的包括了google, facebook, 微软，阿里idst, 科大讯飞等国内外同行。说明业界对这种技术还是非常看重的。
下面分享小知在把以上技术落地产品化的经验。首先我们来看看小知的整体架构图，核心引擎有两部分，一块是上面重点阐述的深度语义匹配模型，另一块是本次分享没有展开的知识图谱引擎，在此之上，我们构建了FAQ机器人，多轮会话机器人(任务机器人)，闲聊机器人等。以下是我们单轮和多轮机器人的示例。
在我们实际的落地项目中，得益于深度迁移模型的语义匹配能力和行业知识图谱的的精准匹配和辅助追问，小知机器人能够做到95%左右的问答准确率，并且节省了50%以上的服务人力，切实为政府和企业提升效率和降低成本。
在智能客服的基础上，我们又打造了基于语音的电话机器人，力主融合智能客服，人工在线客服，工单系统和电话机器人，为客户打造从售前售中售后的整体解决方案。
以下是电话机器人的整体架构图，核心是自然语言理解NLU模块，负责识别用户提问意图
提取相关实体。根据NLU输出的结果，内置的对话管理引擎会进行流程状态流转和跟踪。
另外，ASR语音识别和TTS语音合成是不可或缺的重要服务，这三个模块相互协作，共同完成与用户的交互。
最后对智能问答的未来发展提几点我的看法。目前学术界比较公认的一个方向是，需要更有机地结合模型和规则，而在问答领域，规则的一大组成部分就是知识图谱，包括开放领域的知识图谱和专业领域知识图谱。而更进一步地，我们需要研究带有推理性质的事理型知识图谱去描述领域内的规则和知识，让机器人能够处理带有复杂条件的问题，提供更智能的回复。在我看来，智能问答的一个突破口就在于解决以上三个问题。以上就是今天分享的内容，谢谢大家。
主讲人介绍：
陈松坚，腾讯数据平台部算法高级研究员，有着8 年的 NLP 研发经验，2017 年加入腾讯 TEG 数据平台部，负责智能客服产品腾讯小知的算法规划和落地。负责过多个智能客服项目，对封闭领域的智能问答有丰富的实战经验。
AIoT（人工智能物联网）未来发展前景十分广阔。它将使用AI技术实现对设备、数据和应用的连接，从而为企业带来新的发展机遇。AIoT可以帮助企业实现效率的大幅度提升，同时也可以帮助企业减少成本开销。此外，AIoT还能够帮助企业针对不断变化的需要快速作出决定和行动。
▌ 数字化转型案例
◆德国汉高集团与阿里1688达成年度营销战略合作
1月26日消息，德国百年化工巨头汉高集团与阿里1688达成年度营销战略合作，成为首家与1688数字营销平台达成年度战略合作的化工企业。1688数字营销将基于线上线下全域营销产品矩阵，依靠生态化服务体系，为汉高提供行业化个性化的全年营销解决方案，通过增值服务权益、特色营销场景、服务培训支持、产品数据优势、1&N品牌及经销商联合营销工具等结合全方位赋能，助力汉高更好应对客户日益增长的数字化需求，进一步挖掘市场潜力。
◆联合利华与京东超市达成战略合作
日前，联合利华与京东超市达成战略合作，将在品类建设、营销共创、 科技 驱动、无界零售等方面开展合作。根据协议，2019年联合利华将在京东超市推出多个新品，打造京东专属产品线，京东超市将加速向联合利华开放“用户运营中心”工具使用，帮助双方加速精准营销。此外，联合利华将在2019年上半年落地协同仓等战略合作项目，加速双方全面协同项目落地。
◆房企碧桂园要转型高 科技 企业
1月21日碧桂园集团2019年度会议上，碧桂园董事会主席杨国强表示，我们现在要朝着一个高 科技 企业去做，这是我们未来强大竞争力的源泉，未来我们的三个重点是：地产、农业、机器人。2018年以来，碧桂园不惜重金发力进军机器人、现代农业和新零售等风口领域，从建筑机器人到现代农业，碧桂园的新布局无不是围绕“房”和“地”进行。
◆海尔携手科思创共建数字化联合实验室
近日，全球大型家电品牌海尔与德国材料生产商科思创在青岛正式签订合作协议，依托海尔工业智能研究院，共建“海尔-科思创数字化联合实验室”。该实验室将致力于研发家电生产过程中与聚氨酯工艺相关的数字化解决方案，旨在为化工行业数字化转型树立新标杆。通过“海尔-科思创数字化联合实验室”，双方将在生产线数据获取、在线质量监测、数据分析和挖掘以及工艺流程优化等多个领域联合研发解决方案。
◆百丽国际去中心化推动数字化转型
近日，百丽国际执行董事李良在接受采访时表示，百丽数字化转型的总体思路是去中心化，将数字化工具的运用推到前端去。在李良看来，传统鞋业零售存在“数据割裂”的三大痛点：第一，底层数据是割裂的，商场数据无法及时反馈品牌和商家；第二，不同区域、不同渠道、不同门店的数据是割裂的，无法形成有效的“数据对齐”；第三，反应机制是割裂的，宏观数据和微观决策之间是割裂的，数据无法快速帮助一线销售人员回答问题，无法指导供应链及时调整。
◆中海油试水数字化转型
1月23日，中海油公布新一年的经营策略和发展战略。2019年，中海油计划增加资本开支，而油气增储上产、数字化转型以及 探索 海上风电将是工作要点。中海油管理层表示，关于数字化以及智能化，基于此前积累的带昂勘探开发的资料完善数据库，对未来勘探研究、开发策略形成指导，同时也会利用人工智能技术对海上作业提供远程支持，通过智能油田以及云平台的建设， 探索 业务数字化创新。
▌人工智能
◆华中 科技 大学成立人工智能研究院
1月26日，华中 科技 大学人工智能与自动化学院、人工智能研究院正式成立，副省长陈安丽和华中 科技 大学党委书记邵新宇、校长李元元共同揭牌。目前，华中 科技 大学在人工智能领域学术产量居国内第八位，成果质量居国内第六位。对标国家战略，服务湖北发展，华中 科技 大学深化产教融合、校企合作，以原自动化学院为主体，健全机构，创新体制，成立人工智能与自动化学院、人工智能研究院。
◆海龙大厦完成电子卖场转型升级
随着互联网时代的来临，海龙电子城也加快“改造升级”，开启转型之路。海龙大厦由以前的电子卖场转型升级为全国首家智能硬件创新中心，期间经历了疏解电子产品销售商户、回租回购小业主产权、加强产业升级调整，引入了地平线、旷视 科技 、硬蛋 科技 等在人工智能产业的领军企业，人工智能、孵化器等 科技 创新企业达到了90%以上，转型效果明显。
◆西安交大成立人工智能学院
1月21日，西安交通大学举行“人工智能学院”揭牌仪式。全球人工智能领域顶尖青年学者，北京旷视 科技 有限公司首席科学家、研究院院长孙剑被授予西安交大人工智能学院院长职务。学院将充分发挥西安交大在人工智能领域的学科发展和人才培养优势，形成高端人才积聚效应， 探索 智能产业产学研合作的新模式。
▌物联网
◆康佳携手阿里在物联网时代突围
近日，由康佳互联网事业部主办的“易的N次方”2019康佳互联网战略发布会暨年度营销盛典上，阿里巴巴和康佳集团宣布双方达成战略合作，阿里入股康佳集团旗下易平方和开开视界。2019年，康佳的互联网战略是发力“五大场景”，即在家庭场景、商旅场景、社区场景、景区场景和办公场景全面构建人与屏之间的“情景交融”。
◆华为5G重磅发布
1月24日，华为在北京举办5G发布会暨2019世界移动大会预沟通会，发布了全球首款5G基站核心芯片——华为天罡，致力打造极简5G，助推全球5G大规模快速部署。目前，华为已经获得30个5G商用合同，25,000多个5G基站已发往世界各地。同时，华为正式面向全球发布了5G多模终端芯片和基于该芯片的首款5G商用终端，带来首屈一指的高速连接体验，让万物互联的智慧世界与人们的生活更近了一步。
◆博世与雅观 科技 达成物联网战略合作协议
1月22日，博世安防通讯系统携手国内AIoT全屋智能前沿企业——杭州雅观 科技 共同签署战略合作协议，双方将在IoT物联网及相关领域结成长期、全面的战略伙伴合作关系，共同打造全屋智能体验，推动全屋智能行业发展。根据协议，双方将就博世ZigBee智能无线红外人体移动传感器以及博世ZigBee智能无线多功能传感器，接入雅观 科技 全屋智能解决方案进行合作。
◆菜鸟网络启用首个物联网机器人分拨中心
1月22日，菜鸟网络宣布，全国首个物联网机器人分拨中心在南京启用。机器人通过在分拨中心内移动，去往南京60多个配送网点的包裹按序分类，方便快递员配送。菜鸟柔性自动化工程师钟翔介绍，这一系统以 IoT 技术为核心，应用计算机视觉、多智能体机器人调度技术，实现了大件包裹在整个分拨中心内的全程可控、智能识别以及快速分拨。
▌区块链
◆腾讯与贵阳将在云计算、AI 和区块链等领域进行深度合作
1月26日，腾讯与贵阳市人民政府今天签署了深化合作协议，两方将发展数字经济，打造“数智贵阳”。腾讯将提供云计算、大数据、区块链、人工智能等领域的技术和经验。腾讯云还同步为“数智贵阳”提供底层区块链技术，打造贵阳“网络身份链凭证中心”，建成后将实现一经上链，在个人、企业授权的情况下处处使用，快速验证。
◆中信银行落地山东首笔区块链国内信用证福费廷业务
近日，中信银行济南分行成功为客户办理了辖内首笔区块链国内信用证福费廷业务，成为省内首家开展区块链福费廷业务的银行。2018年9月，中信银行与中国银行、民生银行合力开发了区块链福费廷交易平台。该平台通过运用区块链、大数据等技术手段，能有效解决了传统银行间资产交易存在的诸多弊端，可极大地提高交易效率，提升银行间资产交易的安全性，有效降低交易成本。
◆日本每日新闻社成立区块链实验室
1月22日，区块链风投公司Gaudiy与日本每日新闻社开始共同研究区块链技术及其开发。每日新闻社推出“每日新闻 Blockchain Lab”(简称MBL)，以研究和开发区块链在服务及新闻业的应用。MBL的目标是通过区块链技术构建信息的信任基础，为新闻的健全发展和公正做贡献。
▌大数据
◆山东省文化和 旅游 大数据研究中心成立
近日，山东省文化和 旅游 厅与济南大学战略合作签约仪式在济南大学举行，“山东省文化和 旅游 大数据研究中心”揭牌。双方在协议中约定，将本着资源共享、优势互补、务实重效、共同发展的原则，就建设山东省文化和 旅游 大数据研究中心和山东文化 旅游 研究等事宜，建立长期稳定的合作关系，共同致力于山东文旅融合大发展。
◆河南启动首个大数据信用融资服务平台
1月22日消息，在日前举办的河南省2019年重大项目银企对接会上，河南启动全省首个大数据信用融资服务平台——“信豫融”。该平台通过与工商、税务、不动产登记、海关、司法、环保、医保、社保等涉企经营和监管的信用信息实现实时共享，运用互联网、大数据、云计算和人工智能等新技术为金融机构、企业提供一站式信用大数据服务。
◆首个融媒体与大数据研究中心落户中国人民大学
1月22日，首个融媒体与大数据研究中心在中国人民大学举行挂牌仪式，成为国内首个以打造产学研相结合为特色的融媒体与大数据合作交流平台。中国人民大学文化产业研究院执行院长曾繁文表示，该研究中心首先要下大力气做好智库建设，成为融媒体发展和舆情大数据建设的核心智库。其次，整合资源做融媒体建设解决方案的提供商。同时，强化研究中心的辐射引领作用，为更多的地方政府和县域融媒体发展服务。
▌云计算
◆IDC公布中国云计算厂商份额数据
1月21日消息，市场研究机构IDC公布了2018年上半年中国公有云厂商市场份额数据。数据显示，阿里云、腾讯云和中国电信分列前三，分别是43%、112%和74%。阿里云的市场份额达到了第二名到第九名市场份额的总和，占据了中国云计算市场的半壁江山，这也是阿里云连续三年位居中国市场第一年。
◆启明星辰增资易捷思达，布局云计算
近日，启明星辰发布公告，为加强在信息安全方向布局的发展战略，决定由全资子公司向易捷思达增资5000万元。易捷思达成立于2014 年2月，由IBM中国研发中心OpenStack 核心研发团队创建，为企业级客户提供云计算产品与服务。启明星辰增资易捷思达，一方面，将利用易捷思达在云方面的积累，结合公司自身安全的能力，大力实践云安全；另一方面，公司提出的安全独立运营、安全技术的互联网+、人工智能化战略与云计算密不可分。
▌网络安全
◆爱尔兰调查Twitter数据泄露事件
1月26日消息，爱尔兰正在对Twitter的数据泄露事件发起调查。此前该机构收到Twitter的通知，称这家社交媒体网络发生了数据泄露事件。欧洲《通用数据保护条例》第33条规定，如果发生个人数据泄露事件，相关公司必须在了解情况后的72小时内上报监管方，并明确规定了要提交的资料数据和类型。违反隐私法可能会被处以最高达全球营收4%或2000万欧元的处罚，具体以数额更高者为准，而此前的罚款仅有数十万欧元。
◆国家网络安全产业园正式揭牌
1月21日，网络安全产业园入园企业座谈会在京举行, 在座谈会上，国家网络安全产业园区正式揭牌，包括360企业安全集团在内的10家网络安全企业签约入驻。国家网络安全产业园区的目标是将北京市建设成为国内领先、世界一流的网络安全产业集聚中心。预计，到2020年，产业园区内企业收入规模达到1000亿元；到2025年，将依托产业园区建成我国网络安全产业“五个基地”。
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）